Kreditgeber wenden sich zunehmend alternativen Daten zu, um Underwriting-Entscheidungen zu treffen.
Seit Jahren werden Kredite mit formalisierten Kredit-Scores wie FICO vergeben.
Viele Verbraucher werden jedoch abgelehnt, wodurch ganze Bevölkerungsgruppen unterversorgt bleiben, obwohl sich viele den gewünschten Kredit leisten können. Alternative Datensätze liefern ein vollständiges Bild des Individuums und verbessern die Inklusion.
Provenir, ein Anbieter von KI-Entscheidungstools, veranstaltete a Webinar mit Fintech Nexus, die die Möglichkeiten alternativer Daten untersuchte, um den Unterversorgten Kredit zu verschaffen. Moderator Todd Anderson begann die Sitzung, indem er Provenir für die Einrichtung des Webinars und die Vorstellung der Referenten dankte.
Was sind alternative Daten?
Das Webinar begann mit einer Definition alternativer Daten zur Kreditentscheidung.
„Das sind alle Daten, die nicht direkt mit diesem Verbraucherkreditverhalten in Verbindung stehen“, sagte Mia Huntington, Leiterin der BNPL/POS-Kreditvergabe bei der US Bank.
Erin Allard, General Manager bei Prism Data, erklärte: „Ich denke, es geht um diese Daten. Wenn alternative Daten diese Art von Massenkübel sind, dann ist das alles, was nicht die Art von historisch, institutionell verwendetem Kredit-Scoring oder Kreditauskünften ist.
„Wenn wir über Dinge sprechen, die echte finanzielle Fakten sind, Dinge wie, wie viel verdient ein Verbraucher? Wie stabil ist dieses Einkommen? Wie geben sie ihr Geld aus? Wie sparen sie? Das fühlt sich viel grundlegender an, wie Verbraucher finanzielle Entscheidungen treffen.“
Sie erklärte, dass der Durchschnittsverbraucher im Gespräch mit ihm einen Großteil seines finanziellen Lebens auf seinem Girokonto verbringt. Hier erhält der Verbraucher seinen Gehaltsscheck, kann seine Debitkarte verwenden und Rechnungen bezahlen.
Wenn ein Verbraucher entscheidet, ob er sich etwas leisten und Schulden aufnehmen kann, berücksichtigt sie eher die Zu- und Abflüsse ihres täglichen Lebens als die technischen Elemente der Kreditentscheidung, sagte sie.
„(Alternative Data) ist viel mehr eine Vervollständigung der Daten, die zum Leben des Verbrauchers sprechen.“
Fähigkeit zur Verbesserung der finanziellen Inklusion
Viele Verbraucher sind seit Jahren vom Zugang zu Krediten ausgeschlossen, weil sie nicht in der Lage sind, eine angemessene Kreditwürdigkeit zu ermitteln. Herkömmliche Kredit-Scores wurden dafür kritisiert, dass sie zu starr blieben und nicht in der Lage seien, die Nuancen des Lebensstils und der Lebensumstände moderner Verbraucher zu berücksichtigen.
„Indem Sie diese alternativen Daten kombinieren, sind Sie oft in der Lage, Behandlungen auf einer viel granulareren Ebene anzugehen, genau zu sehen, was Ihr einzelner Kunde tut, und in der Lage zu sein, Muster im gesamten Segment zu erkennen“, sagte Kathy Stares, Executive Vice President von Amerika bei Provenir.
„Sie können die Kraft alternativer Daten nutzen, die oft eine viel längere Geschichte haben. So können Sie Muster erkennen, die Sie zuvor möglicherweise nicht gesehen haben, was Ihnen helfen kann, Informationen zu erhalten. Sie kennen das gesamte Risikoportfolio.“
„Man holt den Kunden dort ab, wo er steht, und bietet ein maßgeschneidertes Angebot, was oft die Akzeptanz erhöht.“
„Wenn man sich diesen unterversorgten Markt ansieht, kann man Daten nehmen. Und mit diesem Verlaufs- und Verhaltensmuster und anderen Datensätzen können Sie Entscheidungen treffen, die die Risikoschwellenwerte sowohl in Bezug auf Kredit als auch auf Betrug erfüllen, wenn Sie Kunden einbinden, die Sie traditionell nicht erreichen könnten, und ihnen Finanzinstrumente anbieten, die dies ermöglichen Sie konnten in der Vergangenheit nicht verwendet werden.“
Sie erklärte, dass dieser granulare Look und die lange Geschichte Betrug bei der Gewinnung neuer Kunden erfolgreich eindämmen. Die Echtzeit-Datenansicht, die in vielen Entscheidungsmodellen mit alternativen Daten integriert ist, gibt dem Kreditgeber Einblicke, die Betrug schnell erkennen können.
Fintechs vorne, aber Banken holen auf
Die Implementierung von KI und maschinellem Lernen war von grundlegender Bedeutung für die Fähigkeit von Finanzinstituten, diese Daten zu extrahieren und zu verwenden. Diese Tools wurden zeitweise aus einem großen Pool von Rohdaten entfernt und haben Kreditgebern die Möglichkeit gegeben, die Kreditwürdigkeit unterversorgter Verbraucher schnell zu beurteilen.
Die Redner waren sich einig, dass Fintech die Führung bei der Implementierung der Technologie übernommen hat, wobei die sprunghaft ansteigende Popularität von BNPL ein Paradebeispiel für ihren Erfolg ist. Die Banken haben jedoch begonnen, sich durchzusetzen und beginnen, die Innovation von Fintechs bei der Bedienung von Verbrauchern zu erreichen, die sie traditionell abgelehnt hätten.
„So erwarten Kunden zu interagieren. So funktioniert die aktuelle Wirtschaft“, sagte Huntington. „Ich denke einfach, dass es für Banks keine Option mehr ist, nein zu sagen. So haben wir es traditionell immer gemacht, und wir werden es auch weiterhin so machen.“
Banken mit ihren Legacy-Systemen hatten Schwierigkeiten, die neue Technologie zu integrieren, sodass umfangreiche Maßnahmen ergriffen werden mussten, um konforme Standards aufrechtzuerhalten.
„Täuschen Sie sich nicht. Es ist sehr komplex, es richtig zu machen und zum Laufen zu bringen, insbesondere, wie Sie wissen, größere Finanzinstitute und ein Teil unserer Infrastruktur“, sagte Huntington.
„Es ist sehr komplex, loszulegen und es richtig hinzubekommen. Ich denke, es geht darum, diese Modelle zu bauen, sie nebeneinander laufen zu lassen, um zu sagen, dass dies das erwartete Ergebnis war … Ich denke, das ist ein großer Teil dessen, woran viele Banken derzeit wahrscheinlich denken.“
Erklärbarkeit ist schwierig, aber essentiell
Der Einsatz von KI wurde von Regulierungsbehörden und Verbrauchern gleichermaßen kritisiert, die besorgt sind, dass die Technologie ererbte Vorurteile enthalten könnte. Das Thema Erklärbarkeit und Eindeutigkeit, auf deren Grundlage Entscheidungen getroffen werden, wird immer relevanter, wenn es um riesige Mengen alternativer Daten geht.
Die Einhaltung von Erklärbarkeitsstandards kann für Institute, die interne Modelle erstellen möchten, die ihren Underwriting-Prozess beeinflussen, eine Herausforderung darstellen.
„Wenn Sie also ein KI-Modell für maschinelles Lernen haben, können Sie in Echtzeit operationalisieren, Sie können in Echtzeit informieren, Sie können die Erkenntnisse nutzen und Sie sind in der Lage zu trainieren und in Echtzeit erklärbar zu machen“, sagte Stares.
„Wenn Sie über die Technologie verfügen, um die Nicht-FCR-Daten zu integrieren und sie in ihrer nativen Form zu übernehmen, können Sie diese Daten direkt in Ihre Entscheidungsfindung integrieren. Das kann dann verwendet werden, um Modelle zu informieren, und Ihre Entscheidung ist das, was die Compliance aufrechterhalten würde.“
Allard stimmte zu und erklärte, dass die Sicherstellung der Dokumentation und Klarheit beim Erstellen von Entscheidungsmodellen für diese Konformität von entscheidender Bedeutung ist und in Zukunft noch wichtiger werden könnte.
Während der Zugriff auf Daten derzeit eingeschränkt sein kann, haben verstärkte Bemühungen zur Entwicklung von Open Banking in den USA das Potenzial, einen weit verbreiteten Zugriff auf alternative Daten zu schaffen.
„Hoffentlich wird es in Zukunft für einen Verbraucher weniger kompliziert und viel einfacher sein zu sagen: ‚Hier sind alle meine Konten. Hier mache ich meine Bankgeschäfte, hier mache ich Geschäfte, und ich als Verbraucher entscheide mich dafür, meine Daten zu teilen.“ Dann obliegt es den Leuten, die auf dieser Grundlage Kreditentscheidungen treffen, Zugang zur richtigen Technologie zu haben, um sie anzupassen und zu verwenden“, sagte Allard.
„Solange die Daten verfügbar sind, geht es darum, die richtige Lösung auszuwählen, um sie zu nutzen.“
Alle drei Redner waren der Meinung, dass die Wahl der technologischen Lösung entscheidend für den Erfolg alternativer Daten beim Erreichen des Ziels einer verstärkten Inklusion ist.
Zeit der Schufa umzustellen
Eine der letzten Fragen des Webinars wandte sich an die Schufa.
Der traditionelle Kredit-Score ist seit Jahren eine standardisierte Methode zur Kreditvergabe. Die Innovation von Fintech bei der Kreditentscheidung ist zu einem unmittelbaren Bedarf an alternativen Wegen geworden, um Kredite einem breiteren Publikum zugänglich zu machen. Der Zufluss alternativer Daten könnte den Bewertungsprozess des Kreditbüros beeinflussen und die Notwendigkeit alternativer, interner Technologien für einzelne Institute umgehen.
„Ich glaube nicht, dass es eine Option gibt“, sagte Huntington. „Ich denke, sie müssen das Modell und die Art und Weise, wie dieser Kern berechnet wird, ändern und einige dieser Daten integrieren.“
„Die Frage wird sein, in welchem Tempo sie innovativ sein können, um sicherzustellen, dass sie die Daten und alternative Datenquellen auf relevante Weise nutzen.“
ZUGEHÖRIG:
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
- Quelle: https://news.fintechnexus.com/provenir-webinar-alternative-data-the-catalyst-for-financial-inclusion/